Valeur et Véracité de la donnée : Enjeux pour l’entreprise Défis pour le Data Scientist

1. Conférence thématique
DOCUMATION MIS 2015 – DATA INTELLIGENCE FORUM
Jeudi 19 mars 2015
Valeur et Véracité de la donnée :
Enjeux pour l’entreprise
Défis pour le Data Scientist
Bruno Teboul & Thierry Berthier

2. Bruno Teboul est Directeur
Scientifique, R&D et Innovation du groupe
Keyrus. Il est membre de la Gouvernance
de la Chaire Data Scientist de l’Ecole
Polytechnique (Keyrus/Thales/Orange).
Il est également Doctorant et Enseignant à
l'Université Paris-Dauphine.
Thierry Berthier est Maitre de
conférences en mathématiques à
l'Université de Limoges. Il effectue ses
recherches au sein de la Chaire de
Cybersécurité & Cyberdéfense, Saint-Cyr -
Thales – Sogeti, est membre de l'Institut
Fredrik Bull et du comité d'études de la
Défense Nationale. Il est cofondateur du
site d’analyse stratégique EchoRadar et
de Cyberland.

3. Selon Gartner et IBM, les données
massives sont caractérisées par 6 V :
- Volume
- Variété
- Vélocité
- Visibilité
- Valeur
- Véracité
Nous allons évoquer la Valeur et la
Véracité d’une donnée

4. Premiers constats…
Les 4 V (Volume, Variété, Vélocité, Visibilité) sont
assez facilement mesurables.
Mesurer précisément la valeur et la véracité d’une
donnée, c’est en général un problème difficile.
Valeur et Véracité de la donnée dépendent
fortement du contexte et de l’instant d’évaluation.
La Valeur et la Véracité d’une donnée sont parfois
indépendantes.

5. Premiers constats…
Notre production atteindra les 40 Zo de données en
2020 ( 1 Zo = 10 puissance 21 octets ).
Nos projections algorithmiques volontaires ou
systémiques contribuent au déluge des données.
Elles témoignent de la fusion de l’espace physique
avec le cyberespace. L’information ubiquitaire
renforce cette tendance.
Les projections algorithmiques
des utilisateurs ont une valeur
pour le data scientist.

6. Premiers constats…
La fragmentation des projections algorithmiques
fragmente aussi leurs valeurs.

7. 1 – Approche systémique de la valeur
d’impact d’une donnée

8. Un zeste de formalisme pour fixer les choses …
Définition d’une donnée : C’est un ensemble fini de mots binaires.
Un mot binaire est une suite finie formée de 0 et de 1. On note
désormais D une donnée définie par :
D = {M1,M2,......,Mn} où les Mj sont des mots binaires avec Mj =
b1b2.....bk et bi = 0 ou 1.
Définition d’un contexte : On parlera de contexte C pour désigner
un ensemble d'infrastructures humaines, physiques et
algorithmiques liées entre elles par des relations et des transferts
d'information assurant une cohérence systémique globale. Un
contexte est constitué de groupements humains et de systèmes
physiques et algorithmiques assurant son interconnexion.

9. Un zeste de formalisme pour fixer les choses …
Fixons maintenant la notion de valeur fonctionnelle
instantanée d’une donnée D sur un contexte C
selon un algorithme A :
Val t ( D / C, A)
Si D est une donnée accessible au contexte C, et A un algorithme
interprétant D, exécutable sur un système de calcul S du contexte, on
notera alors Val t ( D / C, A) la valeur à l'instant t de D relativement au
contexte C et à l'algorithme A exploitant D sur C.
Val t ( D / C, A) est une valeur numérique instantanée, positive ou
nulle dépendant du contexte et de l'algorithme d'exploitation.

10. Un premier exemple illustrant la Valeur avec Véracité
La vente de données clients par Microsoft au FBI :
Le 21 janvier 2014, la SEA (Syrian Electronic Army) publie
sur son site web la copie de nombreuses factures Microsoft
envoyées au FBI ainsi que des listings de données
personnelles vendues. Celles-ci concernent les utilisateurs
d'Outlook ou de Skype et contiennent l'identité, l'identifiant,
l'adresse IP, le nom de compte en hotmail.com et le mot de
passe.
D'après les factures publiées par la SEA, le coût unitaire d'un
jeu de données concernant un utilisateur varie entre 50
dollars et 200 dollars en fonction du contenu transmis.
La véracité des données clients vendues était certifiée par Microsoft.

11. Un premier exemple illustrant la Valeur avec Véracité
La vente de données clients par Microsoft au FBI :
La valeur instantanée d'une
donnée client D vendue par
Microsoft au FBI vérifie :
Val t ( D / C, A) = 200 USD pour t >
0 sur le contexte de production
Microsoft.
A est un algorithme de
structuration (ou de mise au
format) et de lecture de la
donnée.
V0 est le coût de structuration, de
mise au format et de stockage de
la donnée pour Microsoft.
V1 désigne le prix de vente
unitaire par Microsoft au FBI.
V∞ est la valeur résiduelle de la
donnée.

12. Un second exemple illustrant la Valeur sans la Véracité
L’histoire du faux tweet de la SEA qui valait 136 milliards
Le 24 avril 2013, la SEA attaque le compte Twitter de l'agence Associated
Press (AP). Elle en prend momentanément le contrôle et publie à 13h07 le
message suivant : « Breaking : Two Explosions in the White House and
Barack Obama is injured »
Les 1.9 millions d'abonnés au compte Twitter d'Associated Press reçoivent
le faux message posté par la SEA en le considérant comme authentique. La
réaction des marchés financiers est presque immédiate : entre 13h08 et
13h10, l'indice principal de Wallstreet, le Dow Jones (DJIA) perd 145 points
soit l'équivalent de 136 milliards de dollars (105 milliards d'euros) en
raison notamment du trading haute fréquence (HFT) qui a interprété et
« réagi » au faux tweet. Les actions Microsoft, Apple, Mobil perdent plus
de 1% presque instantanément. Quelques minutes plus tard, Associated
Press reprend le contrôle de son compte et publie immédiatement un
tweet annonçant que le message précédent était un faux et qu'il résultait
du piratage de son compte.

13. Un second exemple illustrant la Valeur sans la Véracité
Le faux tweet de la SEA qui valait 136 milliards de dollars

14. Un second exemple illustrant la Valeur sans la Véracité

15. Un second exemple illustrant la Valeur sans la Véracité
A l'instant t = 0, le tweet de la SEA est
publié sur le compte AP et reste
accessible et crédible durant quatre
minutes. A l'instant t1 , AP et la Maison
Blanche publient un démenti qui
annule immédiatement la valeur
instantanée de la donnée D.
V0 désigne la valeur de production et
d'insertion de la donnée sur le compte
d'AP. Cette valeur tient compte du coût
global du piratage du compte par la
SEA.
V1 est la valeur maximale de la donnée
avant la reprise de contrôle du compte
AP. Elle peut prendre en compte la
valeur d'impact du faux tweet sur les
marchés.

16. Un second exemple illustrant la Valeur sans la Véracité
Ce que nous disent ces exemples :
La valeur d’impact d’une donnée peut être indépendante
de sa Véracité.
C’est bien la confiance qu’on accorde à une donnée qui lui
permet de fonder sa valeur.
Interroger la donnée, c’est d’abord évaluer la confiance
qu’elle suscite, mesurer sa véracité puis sa valeur sur un
contexte.

17. 2 – Approche de la Valeur par le gain
dans un contexte Big Data

18. D’où viennent les données massives ?

19. Définir la valeur des données massives par le gain
L'idée : Pour un jeu de données massives D, on mesure le gain obtenu sur
une ligne de contrainte L après exploitation de D via un système de calcul S.
Une ligne de contrainte L pour une entreprise, une institution ou un
laboratoire peut être temporelle (le temps nécessaire à un processus de
production), spatiale (une distance, une surface à prospecter). Elle peut
concerner un effectif (le nombre d'ingénieurs sur un projet) ou un coût de
développement. Elle est mesurée par CL(t).
Le gain obtenu sur la ligne de contrainte L après exploitation de D par S
s'écrit :
GL( D , S ) = CL ( après exploitation de D ) – CL ( avant exploitation de D )
La valeur du jeu de données D sur la ligne de contrainte L est définie par
le maximum des gains obtenus lorsque l'on fait varier le système de calcul
S (algorithmes et machines) :
VL( D ) = Max S ( GL( D , S ) )

20. L’exemple des éoliennes VESTAS

21. L’exemple des éoliennes VESTAS
L‘analyse Big Data a permis à Vestas d’optimiser son processus
d’identification des meilleurs emplacements pour implanter ses éoliennes
. L’analyse des données a permis d’augmenter la production d’électricité
et de réduire les coûts énergétiques.
Grâce aux données massives, Vestas est en mesure de décrire avec
précision le comportement du vent et de fournir une analyse de
rentabilisation solide à ses clients.
Le système Big Data VESTAS (IBM) induit une réduction de 97 % du temps
de réponse sur les prévisions éoliennes passant de plusieurs semaines à
seulement quelques heures aujourd’hui. Il réduit le coût de production par
kilowattheure pour les clients et réduit le coût et l’encombrement
informatique avec une diminution de 40 % de la consommation
énergétique.
La base de données « Vestas-Eoliennes » atteint les 24 pétaoctets .

22. L’exemple des éoliennes VESTAS
Le logiciel IBM InfoSphere BigInsights fonctionnant sur un système IBM
System x iDataPlex assiste VESTAS dans sa gestion des données
météorologiques et de localisation. Ainsi, l’entreprise a diminué la
résolution de base de ses grilles de données éoliennes qui passent d’une
aire de 27 x 27 kilomètres à 3 x 3 kilomètres après exploitation du jeu de
données. Ceci représente une réduction de 90% de l’incertitude.
Ce gain donne aux dirigeants un aperçu immédiat des sites potentiels
d’implantation d’éoliennes.
La ligne de contrainte L est la résolution de base des grilles de données
(une surface) et le gain après exploitation du jeu de données météo
s’élève à :
GL( D , S ) = + 90 % et VL( D ) > 90 %

23. L’exemple du Zoo de Cincinnati - Ohio

24. L’exemple du Zoo de Cincinnati - Ohio
Le zoo de Cincinnati a mis en place une structure d'analyse Big Data
des données issues de capteurs et des données clients. L'image
globale en temps réel de la clientèle et son interprétation ont
permis d'augmenter de 25 % les dépenses des visiteurs, soit 350 000
dollars de recettes supplémentaires par an. La compréhension fine
des données clients a été appliquée à l'optimisation des ressources
humaines et a libéré du temps pour le personnel.
La ligne de contrainte L est la dépense annuelle des visiteurs et le gain
après exploitation de l’ensemble annuel des données client s’élève à :
GL( D , S ) = + 25 % et VL( D ) > 25 %

25. 3 – Véracité de la donnée

26. La tentation des fausses données pour se protéger…
Selon le rapport Symantec 2015 sur la protection des données
privées :
57 % des européens se déclarent inquiets quant à la sécurité de leurs
informations personnelles.
81 % estiment que leurs données ont de la valeur (>1000 euros).
31 % n’hésitent plus à communiquer de fausses données
pour protéger leurs données personnelles.

27. Des applications pour créer de fausses données
Tromper les applications Android avec de fausses données !
Xprivacy est un outil qui permet de nourrir les applications Android avec de
faux contacts, de fausses coordonnées géographiques, de faux dictionnaires
user, de faux presses papiers, de faux historiques d’appels, de faux SMS…
L’objectif étant de créer de fausses données pour mieux protéger sa vie
privée.

28. Des applications pour créer de fausses données
Le site FakeNameGenerator permet de construire des bases de données
sous divers formats (MS SQL, MySQL,IBM DB2, Oracle,…) de 50 000
identités cohérentes incluant l’identité, l’âge, l’adresse, le métier, etc…

29. Données fictives et hacking
Dans une opération de hacking, la phase d’ingénierie sociale s’appuie de plus
en plus souvent sur la création d’un ensemble de données fictives.
L’objectif est d’installer la confiance auprès des cibles et de les pousser à
exécuter un code viral (malware, spyware, rançonware…).
Un exemple emblématique : l’Opération Newscaster - NewsOnLine

30. L’OP Newscaster
Newscaster est une opération de cyberespionnage attribuée à l’Iran
qui s’inscrit dans le durée (2012-2014) ciblant plus de 2000 personnes
(USA, Europe, Israël) , des officiers supérieurs de l’US Army, des
ingénieurs de l’industrie de l’armement, des membres du congrès, etc.
C’est une APT longue, structurée et furtive. La première phase de
l’opération s’est appuyée sur la construction d’un faux site web
d’information NewsOnLine, hébergé sur des serveurs US et supervisé
par une rédaction américaine fictive. Des contacts ont été noués avec
les futures cibles pour qu’elles participent à la rédaction d’articles du
site. Un noyau de profils fictifs américains (sur Facebook, Twitter,
LinkedIn) a été construit de toute pièce pour échanger avec les cibles.
La confiance s’installe durant près d’un an puis, les attaquants
profitent des échanges de fichiers d’articles pour injecter des spywares
sur les machines des cibles et collecter des données sensibles ou
classifiées.

31. L’OP Newscaster

32. Mesurer la confiance en une donnée ?
Pour une donnée D, nous évaluons en général la probabilité :
P ( D est vraie / Historique et réputation )
L’historique du contexte et la réputation de l’émetteur de la donnée.
Nous devrions plutôt évaluer :
P ( D est vraie / Historique, réputation et P(Hacking(D)) > 0 )
C’est cette probabilité qui permet d’exprimer la confiance que l’on
porte en une donnée.

33. Les futurs défis du Data Scientist
- Il faut évoluer vers la certification des données.
- Certifier une donnée, c’est augmenter sa valeur !
- L’analyse Big Data doit s’appuyer sur des données globalement
certifiées.
- Nous devons pouvoir détecter les corpus de données fictives pour
anticiper le hacking et les cybermanipulations.
- Il faut pour cela former des Data Scientists qui possèdent une vraie
culture de cybersécurité et croiser les compétences de sorte que les
deux derniers V (Volume et Véracité) occupent toute leur place.
- Il faut construire des infrastructures algorithmiques pour le Big
Data qui soient résilientes, antifragiles, capables d’évaluer en
temps réel la véracité et la valeur des données en streaming.

34. KEYRUS
Bruno TEBOUL
www.keyrus.fr
@brunoteboul
ECHORADAR & CYBERLAND
Thierry BERTHIER
http://cyberland.centerblog.net/
http://echoradar.eu/
@echo_radar